CN111368872A - 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法 - Google Patents

基于融合特征和验证模型的乳腺癌有丝***细胞检测方法 Download PDF

Info

Publication number
CN111368872A
CN111368872A CN201911331065.3A CN201911331065A CN111368872A CN 111368872 A CN111368872 A CN 111368872A CN 201911331065 A CN201911331065 A CN 201911331065A CN 111368872 A CN111368872 A CN 111368872A
Authority
CN
China
Prior art keywords
breast cancer
mitotic cells
candidate
mitosis
fusion
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911331065.3A
Other languages
English (en)
Inventor
黄平捷
陆晓栋
喻洁
曹怿童
陈进玉
朱艳妮
陈飘云
侯迪波
张光新
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201911331065.3A priority Critical patent/CN111368872A/zh
Publication of CN111368872A publication Critical patent/CN111368872A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Biology (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Investigating Or Analysing Biological Materials (AREA)

Abstract

本发明公开了一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法。该方法首先对经过染色均衡后的乳腺癌病理图像提取融合特征，然后构建基于融合特征的有丝***细胞预选模型，最后构建验证模型进行判别，以实现病理图像有丝***细胞的有效检测。本发明提出的融合特征提取方法在有丝***细胞定位准确度上有明显提升，本发明对于乳腺癌病理图像的有丝***细胞的检出率较高，且误判率较低，对于难分辨的有丝***细胞具有较高的区分能力，适用于乳腺癌病理图像中有丝***细胞的检测。

Description

基于融合特征和验证模型的乳腺癌有丝***细胞检测方法
技术领域
本发明属于病理图像的智能识别领域，尤其涉及一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法。
背景技术
有丝***细胞数是用于判断浸润性乳腺癌恶化程度的重要指标，传统检测方法是病理学家通过人工观察病理图像以检出有丝***细胞。但受限于病理学家的专业知识水平，不同病理学家诊断结果的一致性较差；同时由于病理图像维数大、数量多的特点，导致人工诊断需要耗费大量时间，导致人工劳累增加出错率。
目前基于传统机器学习的有丝***检测方法主要是根据人工设计形态学特征并结合支持向量机（Support Vector Machine）等分类算法判别是否为有丝***细胞。这些方法在特定场景下有较好的应用，但是在不同数据集下的泛化能力较差且需要具备大量的医学理论知识储备。而目前一些基于深度学习的有丝***检测方法在小目标检测上的定位精度较差，并且具有较高的误检率。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法。
一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法，包括以下步骤：
S1获取多个乳腺癌病理图像并进行染色均衡得到预处理后乳腺癌病理图像，作为训练集；
S2对训练集中的预处理后乳腺癌病理图像提取融合特征，包括以下步骤：
S2.1使用卷积神经网络提取乳腺癌病理图像的特征；
S2.2计算图像不同卷积层的特征，将不同卷积层的特征融合后作为图像的特征；
S3 对步骤S2.2得到图像的特征构建候选有丝***检测模型，得到候选的有丝***细胞；
S4 对步骤S3得到的候选的有丝***细胞构建验证模型，确定分类阈值；
S5 对待测病理图像进行有丝***检测，包括以下步骤：
S5.1使用步骤S2的方法提取待测病理图像的融合特征；
S5.2将融合特征输入步骤S3的候选有丝***检测模型中，得到候选的有丝***细胞；
S5.3将候选的有丝***细胞输入步骤S4的验证模型中，根据S4中确定的分类阈值将非有丝***细胞剔除，得到有丝***细胞。
所述的S2中对训练集中的预处理后乳腺癌病理图像提取融合特征通过下式计算：
F=（F 6 ，F 5 ，F 4 ，F 3 ，F 2 ）
F i-1 =up（F i ）+conv
其中F i 表示i阶段的特征，up（F i ）表示对F i 进行2倍上采样，conv表示1 x 1卷积。
所述步骤S3中候选有丝***检测模型的构建步骤如下：
（a）首先将融合特征输入到区域检测网络中，筛选出可能是候选的有丝***细胞的区域；
（b）将所述的区域映射到融合特征中，再使用全连接层进行判别；
（c）将所有的训练集中的预处理后乳腺癌病理图像按照（a）、（b）步骤处理，不断微调模型的参数。
所述步骤S4中构建验证模型的步骤如下：
（a）将步骤S3中得到的候选的有丝***细胞按照标注信息标注为有丝***和非有丝***；
（b）构建验证模型学习，通过最小化分类误差更新模型的参数，如下式：
Figure 100002_DEST_PATH_IMAGE001
其中f θ 是特征提取器，g w 是分类器，y n 是图像的标签。
本发明的有益效果是：本发明提出的基于融合特征和验证模型的方法对于乳腺癌病理图像的有丝***细胞的检出率较高，且误判率较低。本发明的方法对于难分辨的有丝***细胞具有较高的区分能力，适用于乳腺癌病理图像中有丝***细胞的检测。
附图说明
图1为基于融合特征和验证模型的乳腺癌有丝***细胞检测方法的流程图。
具体实施方式
以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法的基本步骤如图1所示，首先对病理图像提取融合特征，然后使用训练图像的融合特征构建候选有丝***检测模型，接着利用检测模型在训练图像中得到候选区域并构建验证模型学习有丝***细胞和非有丝***细胞的区别，最后将新的病理图像经特征融合、候选物检测和验证模型后检测出真正的有丝***细胞，具体包括以下步骤：
S1对获取的多个乳腺癌病理图像进行染色均衡处理以消除切片制备过程带来的不一致现象，并将预处理后的乳腺癌病理图像作为训练集；
S2对训练集中的预处理后乳腺癌病理图像提取融合特征，包括以下步骤：
S2.1使用卷积神经网络提取乳腺癌病理图像的特征；
S2.2计算图像不同卷积层的特征，将不同卷积层的特征融合后作为图像的特征；
S3 对步骤S2.2得到图像的特征构建候选有丝***检测模型，得到候选的有丝***细胞；
S4 对步骤S3得到的候选的有丝***细胞构建验证模型，确定分类阈值；
S5 对待测病理图像进行有丝***检测，包括以下步骤：
S5.1使用步骤S2的方法提取待测病理图像的融合特征；
S5.2将融合特征输入步骤S3的候选有丝***检测模型中，得到候选的有丝***细胞；
S5.3将候选的有丝***细胞输入步骤S4的验证模型中，根据S4中确定的分类阈值将非有丝***细胞剔除，得到有丝***细胞。
S2中对训练集中的预处理后乳腺癌病理图像提取融合特征通过下式计算：
F=（F 6 ，F 5 ，F 4 ，F 3 ，F 2 ）
F i-1 =up（F i ）+conv
其中F i 表示i阶段的特征，up（F i ）表示对F i 进行2倍上采样，conv表示1 x 1卷积。
S4中有丝***细胞验证模型通过最小化下式更新模型参数：
Figure 585598DEST_PATH_IMAGE001
其中f θ 是特征提取器，g w 是分类器，y n 是图像的标签。
本领域普通技术人员可以理解，以上所述仅为发明的优选实例而已，并不用于限制发明，尽管参照前述实例对发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述实例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内，所做的修改、等同替换等均应包含在发明的保护范围之内。

Claims (4)

1.一种基于融合特征和验证模型的乳腺癌有丝***细胞检测方法，其特征在于，包括以下步骤：
S1获取多个乳腺癌病理图像并进行染色均衡得到预处理后乳腺癌病理图像，作为训练集；
S2对训练集中的预处理后乳腺癌病理图像提取融合特征，包括以下步骤：
S2.1使用卷积神经网络提取乳腺癌病理图像的特征；
S2.2计算图像不同卷积层的特征，将不同卷积层的特征融合后作为图像的特征；
S3 对步骤S2.2得到图像的特征构建候选有丝***检测模型，得到候选的有丝***细胞；
S4 对步骤S3得到的候选的有丝***细胞构建验证模型，确定分类阈值；
S5 对待测病理图像进行有丝***检测，包括以下步骤：
S5.1使用步骤S2的方法提取待测病理图像的融合特征；
S5.2将融合特征输入步骤S3的候选有丝***检测模型中，得到候选的有丝***细胞；
S5.3将候选的有丝***细胞输入步骤S4的验证模型中，根据S4中确定的分类阈值将非有丝***细胞剔除，得到有丝***细胞。
2.根据权利要求1所述的方法，其特征在于，所述的S2中对训练集中的预处理后乳腺癌病理图像提取融合特征通过下式计算：
F=（F 6 ，F 5 ，F 4 ，F 3 ，F 2 ）
F i-1 =up（F i ）+conv
其中F i 表示i阶段的特征，up（F i ）表示对F i 进行2倍上采样，conv表示1 x 1卷积。
3.根据权利要求1所述的方法，其特征在于，所述步骤S3中候选有丝***检测模型的构建步骤如下：
（a）首先将融合特征输入到区域检测网络中，筛选出可能是候选的有丝***细胞的区域；
（b）将所述的区域映射到融合特征中，再使用全连接层进行判别；
（c）将所有的训练集中的预处理后乳腺癌病理图像按照（a）、（b）步骤处理，不断微调模型的参数。
4.根据权利要求1所述的方法，其特征在于，所述步骤S4中构建验证模型的步骤如下：
（a）将步骤S3中得到的候选的有丝***细胞按照标注信息标注为有丝***和非有丝***；
（b）构建验证模型学习，通过最小化分类误差更新模型的参数，如下式：
Figure DEST_PATH_IMAGE001
其中f θ 是特征提取器，g w 是分类器，y n 是图像的标签。
CN201911331065.3A 2019-12-20 2019-12-20 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法 Pending CN111368872A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911331065.3A CN111368872A (zh) 2019-12-20 2019-12-20 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911331065.3A CN111368872A (zh) 2019-12-20 2019-12-20 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法

Publications (1)

Publication Number Publication Date
CN111368872A true CN111368872A (zh) 2020-07-03

Family

ID=71212465

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911331065.3A Pending CN111368872A (zh) 2019-12-20 2019-12-20 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法

Country Status (1)

Country Link
CN (1) CN111368872A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365440A (zh) * 2020-10-10 2021-02-12 天津大学 基于yolov3的乳腺病理学图像有丝***检测装置和方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014016666A (ja) * 2012-07-05 2014-01-30 Olympus Corp 細胞***過程追跡装置、及び細胞***過程追跡プログラム
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
US20170091528A1 (en) * 2014-03-17 2017-03-30 Carnegie Mellon University Methods and Systems for Disease Classification
CN107103601A (zh) * 2017-04-14 2017-08-29 成都知识视觉科技有限公司 一种乳腺癌评分***中的细胞有丝***检测方法
CN108564026A (zh) * 2018-04-10 2018-09-21 复旦大学附属肿瘤医院 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及***
CN109472784A (zh) * 2018-10-31 2019-03-15 安徽医学高等专科学校 基于级联全卷积网络病理图像有丝***细胞的识别方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN110060244A (zh) * 2019-04-15 2019-07-26 深圳市麦迪普科技有限公司 基于深度学习神经网络的细胞检测与分割的***和方法
CN110580699A (zh) * 2019-05-15 2019-12-17 徐州医科大学 基于改进Faster RCNN算法的病理图像细胞核检测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014016666A (ja) * 2012-07-05 2014-01-30 Olympus Corp 細胞***過程追跡装置、及び細胞***過程追跡プログラム
US20170091528A1 (en) * 2014-03-17 2017-03-30 Carnegie Mellon University Methods and Systems for Disease Classification
CN104331712A (zh) * 2014-11-24 2015-02-04 齐齐哈尔格林环保科技开发有限公司 一种藻类细胞图像自动分类方法
CN107103601A (zh) * 2017-04-14 2017-08-29 成都知识视觉科技有限公司 一种乳腺癌评分***中的细胞有丝***检测方法
CN108564026A (zh) * 2018-04-10 2018-09-21 复旦大学附属肿瘤医院 用于甲状腺肿瘤细胞学涂片图像分类的网络构建方法及***
CN109472784A (zh) * 2018-10-31 2019-03-15 安徽医学高等专科学校 基于级联全卷积网络病理图像有丝***细胞的识别方法
CN109598224A (zh) * 2018-11-27 2019-04-09 微医云(杭州)控股有限公司 基于区域推荐卷积神经网络的骨髓切片中白细胞检测方法
CN110060244A (zh) * 2019-04-15 2019-07-26 深圳市麦迪普科技有限公司 基于深度学习神经网络的细胞检测与分割的***和方法
CN110580699A (zh) * 2019-05-15 2019-12-17 徐州医科大学 基于改进Faster RCNN算法的病理图像细胞核检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHENZHOU WANG: "A New Approach for Cell Detection and Tracking", 《IEEE ACCESS》 *
何剑: "目标检测算法在乳腺病理图像分析中的应用", 《中国优秀硕士学位论文全文数据库》 *
吴柏倩: "基于卷积神经网络的乳腺癌有丝***检测技术的研究", 《中国优秀硕士论文全文数据库 信息科技辑》 *
胡晓泊等: "基于计算机视觉的医学图像自动识别技术研究", 《微计算机信息》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112365440A (zh) * 2020-10-10 2021-02-12 天津大学 基于yolov3的乳腺病理学图像有丝***检测装置和方法

Similar Documents

Publication Publication Date Title
US11842556B2 (en) Image analysis method, apparatus, program, and learned deep learning algorithm
US10474874B2 (en) Applying pixelwise descriptors to a target image that are generated by segmenting objects in other images
CN110287932B (zh) 基于深度学习图像语义分割的道路阻断信息提取方法
CN109145921A (zh) 一种基于改进的直觉模糊c均值聚类的图像分割方法
CN112819821B (zh) 一种细胞核图像检测方法
CN108734108B (zh) 一种基于ssd网络的裂纹舌识别方法
CN112991295B (zh) 基于深度学习的***转移影像分析***、方法及设备
CN108052886A (zh) 一种小麦条锈病菌夏孢子自动统计计数方法
CN110729045A (zh) 一种基于上下文感知残差网络的舌图像分割方法
Xu et al. Using transfer learning on whole slide images to predict tumor mutational burden in bladder cancer patients
CN108010048A (zh) 一种基于多图谱的自动脑部mri图像的海马体分割方法
CN115994907B (zh) 用于食品检测机构综合信息的智能处理***及方法
CN114359288B (zh) 基于人工智能的医学影像脑动脉瘤检测和定位方法
CN111009005A (zh) 几何信息与光度信息相结合的场景分类点云粗配准方法
CN115546605A (zh) 一种基于图像标注和分割模型的训练方法及装置
US20240054639A1 (en) Quantification of conditions on biomedical images across staining modalities using a multi-task deep learning framework
CN113128518B (zh) 基于孪生卷积网络和特征混合的sift误匹配检测方法
CN112396580B (zh) 一种圆形零件缺陷检测方法
CN114098779A (zh) 尘肺病等级智能判别方法
CN111368872A (zh) 基于融合特征和验证模型的乳腺癌有丝***细胞检测方法
CN116468690B (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析***
CN114267434A (zh) 一种基于影像组学的癌患者肿瘤图像勾画方法
CN114155399A (zh) 基于多特征融合递进式判别的乳腺病理全切片分类方法
CN109767430A (zh) 有价票据的质量检测方法及质量检测***
CN112364844A (zh) 一种基于计算机视觉技术的数据采集方法及***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200703

WD01 Invention patent application deemed withdrawn after publication